你以为花一两万能搞定，结果连个像样的口播都做不出来
上个月，南海一个做家具外贸的老王，被同行用数字人直播抢了十几个询盘。他一咬牙，在网上找了个报价两万八的“全套方案”，结果拿到手的数字人说话嘴型对不上，背景还是网上扒的样板间。他又花了八千找人重做，前前后后搭进去三个礼拜，直播间流量还是没起来。
这不是个例。佛山做家电、家具、陶瓷的老板，这几年被数字人概念轮番轰炸，但真正问清楚“多少钱能办什么事”的，十个里不到两个。
报价乱，是因为需求根本没对齐
AI数字人这个市场，从几百块的“照片开口说话”到十几万的“实时交互数字分身”，跨度比佛山到广州的距离还大。你问“多少钱”，服务商反过来问你“要干什么”时，很多老板自己都说不清。
核心原因就一个：数字人不是标准品，它是按场景定价的。 同样的技术底层，因为用途不同，工作量能差出五到十倍。
场景一：拍产品口播视频（入门级）
这是佛山老板最常问的需求——让一个数字人站在镜头前，把产品卖点讲清楚，发到抖音、视频号上。
成本大头在哪？ 形象采集和语音克隆。如果你用现成的通用形象（比如一个西装白领），价格很低，但佛山老板大多要定制——你要的是穿着自家工服、站在陶瓷展厅或家具样板间里的形象。这需要单独拍摄绿幕素材，后期抠图、绑定骨骼、训练模型。
市场行情参考： 1.5万到4万之间。低于1万的，基本是通用形象+自动配音，做完你会发现和同行撞脸；高于4万的部分，通常是加了多语言支持（比如外贸需要英语、阿拉伯语）或者高清4K渲染。
场景二：做24小时直播带货（进阶级）
顺德有个做小家电的老板，白天自己播，晚上用数字人顶班，月销从三十万涨到五十万。但他踩过的坑是：第一次花三万买的数字人，播了两小时就被平台识别为录播，直接限流。
关键差异在哪？ 直播数字人需要实时驱动，不是提前录好视频循环播放。它要能根据弹幕做简单互动（比如回复“多少钱”“怎么买”），甚至能随机调整话术。这就涉及到底层的交互引擎和API对接，开发工作量翻倍。
市场行情参考： 5万到12万。注意，这里包含了至少一个月的模型调优期。如果服务商说“付钱就上线”，基本是给你一个半成品，上线后会出现嘴型延迟、动作卡顿。
场景三：外贸独立站或品牌官网的虚拟客服（高阶）
佛山有超过一半的陶瓷企业做外贸，官网上的英文询盘处理是个痛点。数字人如果能24小时在线，用标准英式英语回答产品参数、交期、FOB价格，就能省掉一个夜班客服的工资。
为什么贵？ 因为需要集成自然语言理解（NLU）和知识库。数字人不仅要会说话，还要能听懂客户问的“What‘s the MOQ for this model”，并从你的产品数据库里调出准确答案。这涉及系统对接，不是简单的套个壳。
市场行情参考： 10万起步，上不封顶。大部分中型企业做到15万以内就能拿到一个可用的版本。低于8万的，基本是伪交互——只能回答预设好的几十个问题，超出就不行了。
给你的决策清单：照着这三步走，不会被坑
第一步：先定用途，再谈预算
别上来就问“做一个AI数字人多少钱”。你先想清楚：
- 是拍短视频用，还是直播用？
- 是内销还是外贸？需不需要外语？
- 是录播还是实时互动？
建议： 如果是第一次尝试，从入门级口播开始，预算压在2万内。试水成功再升级，失败也不伤筋动骨。
第二步：验收时，盯住三个硬指标
不管服务商吹得多天花乱坠，你验收就检查这三样：
- 嘴型同步率：放一段30秒的语音，看数字人嘴型是否跟得上。误差超过0.3秒就别要。
- 形象一致性：同一个数字人，在不同光线、不同背景下的脸不能变形。很多廉价方案换背景后脸就糊了。
- 响应延迟：如果是直播或客服，从你说完话到数字人回复，延迟不能超过2秒。超过这个数，用户直接划走。
第三步：问清楚后续维护费用
很多老板只盯着首期报价，忽略了第二年的成本。数字人形象需要更新（比如你换了新款产品、换了工服），语音模型也需要定期优化。
常见套路： 第一年报价很低，第二年续费突然翻倍。签约前问清楚：
- 形象更新一次多少钱？
- 语音模型重新训练是否另收费？
- 系统升级是否包含在年费里？
一个中肯的建议
如果你想上AI数字人，先别急着找服务商报价。花一天时间，把你最想用数字人干的那件事写清楚——是拍20个产品视频，还是每天播4小时，还是接24小时外贸询盘。然后拿着这张单子，找三家服务商聊，让他们分别报出对应的方案和价格。
你很快会发现，真正懂行的服务商会主动问你“现有的产品图册能不能给”“直播间的灯光布局怎么样”“外贸网站有没有API接口”——这些才是帮你省钱的关键。而那些只报总价、不问细节的，直接可以pass。
钱要花在刀刃上，佛山老板们在这上面踩过的坑，够写一本书了。
微信扫码